本发明公开了一种基于聚类与深度神经网络的关系型数据的连续特征嵌入方法，首先利用无监督的机器学习(聚类)来得到连续特征的分布，然后结合连续特征的分布信息进行有监督的深度学习，实现对连续特征的自动嵌入。桶嵌入与距离比值的加权求和策略可以让相似的连续特征有相似的Embedding表示。根据特征值到桶中心点的距离，让每个桶的Embedding表示进行加权求和，可以充分利用每个桶之间的关联信息和数值特征与每个桶之间的关联信息。这样不仅消除了边界值嵌入问题即相似的连续特征值有明显不同的嵌入表示和相差很大的连续特征值有相同的嵌入表示，还在保证了数据连续性的情况下，将低维数据转化为高维数据，保护了连续特征的重要性。